Zielsetzung und methodischer Kontext

Video-Tutorial, das einen praktischen Workflow demonstriert, der KI (LLM) nutzt, um die Erstellung einer Wardley Map zu bootstrappen. Der Autor, ein Product Manager im Bereich ERP/Business Intelligence, möchte einen Produktraum explorieren und schnell eine solide Ausgangsbasis erhalten, anstatt bei einem leeren Blatt zu beginnen. Der Ansatz erkennt an, dass manuelles Wardley Mapping langwierig und komplex ist, und schlägt eine teilweise Automatisierung vor, um die anfängliche Phase der strategischen Exploration zu beschleunigen.

Technische Architektur: Stack und Werkzeuge

Der Workflow stützt sich auf vier Komponenten: (1) die OpenAI API, um über strukturierte Prompts Fähigkeiten und Beziehungen zu generieren; (2) Obsidian als Wissensmanagement-Werkzeug, das seinen nativen Beziehungsgraphen nutzt; (3) Python mit der NetworkX-Bibliothek für eine Clustering-Analyse im Stil sozialer Graphen; (4) ein individuelles Frontend (optional), um die Eingabe von Prompts und Fähigkeiten zu erleichtern. Die nahtlose Integration erlaubt es, die JSON-Ausgaben des LLM direkt in Obsidian einzuspeisen, sie dann zur weiterführenden Analyse nach Python zu exportieren und die angereicherten Daten anschließend wieder in die Obsidian-Canvas zu importieren.

Drei strukturierte sequenzielle Prompts

Prompt 1 – Zerlegung von Fähigkeiten: striktes Format: "I'm product manager for [product] in [space]. Frame capabilities as 'the ability to [blank]'. Break down capabilities using '... is a function of the ability to...' Return results in JSON." Konkretes Beispiel: "buy lunch for team" (übergeordnete Fähigkeit), automatisch zerlegt in Teilfähigkeiten: ausgewogene Mahlzeiten planen, hochwertige Zutaten beschaffen, Mahlzeiten effizient zubereiten, Vorlieben/Allergien berücksichtigen. Die Zerlegung erzeugt hierarchische Eltern-Kind-Beziehungen, die automatisch im Obsidian-Graphen verknüpft werden.

Prompt 2 – Positionierung auf der Y-Achse: Wardley Maps verwenden eine Y-Achse, die die Kundennähe darstellt (oben = für den Kunden sichtbar, unten = abstrakte/unsichtbare Infrastruktur). Der Prompt kategorisiert Fähigkeiten nach ihrer Nähe zu verschiedenen Rollen in einer auf operative Exzellenz ausgerichteten Wertschöpfungskette: (Ebene 1) Führungskräfte für operative Exzellenz, COO, strategische Programmmanager; (Ebene 2) Coaches, Designer; (Ebene 3) Operations-/IT-Ingenieure; (Ebene 4) Plattform- und Data-Ingenieure; (Ebene 5) Infrastruktur-/Utility-Schichten. Entscheidender Punkt: stets die Begründung zusammen mit der Ebenenzuordnung anfordern. Dies ermöglicht es, "in die Argumentation des LLM einzutauchen", und erleichtert die iterative Feinabstimmung. Der Autor merkt an, dass dieser Prompt für seine spezifische Domäne eine Feinabstimmung im Hintergrund erforderte.

Prompt 3 – Beziehungen zwischen Fähigkeiten: "Given a list of capabilities (each with ID, name, description), identify meaningful relationships. Either functionally similar OR enabling. Be very precise. Return JSON with: pair (two related capability IDs), type (similar/enables), reason (clear explanation)." Strategie: Fähigkeiten zufällig einfügen, strikte Analyse, wie das Durchscannen einer Tabelle und das Ziehen von Linien zwischen ähnlichen Elementen. Beispielausgabe: "analyze data insights" ↔ "trend analysis" = similar (beide auf Datenanalyse zentriert); "analyze data insights" enables "actionable intelligence" (leitet Erkenntnisse aus Datenmustern ab). Dies reichert die Beziehungen über die einfache Eltern-Kind-Hierarchie hinaus an.

NetworkX-Clustering und finale Canvas

Nach der Erstellung der Fähigkeiten, der hierarchischen Beziehungen, der Ähnlichkeits-/Enabling-Beziehungen und der Y-Achsen-Ebenen nutzt der Workflow die Python-Bibliothek NetworkX (ein Standard für die Analyse sozialer Graphen), um Cluster innerhalb jeder Ebene zu identifizieren. Die Analyse der Verbindungsdichte weist, wie in einem sozialen Netzwerk, Cluster-IDs zu. Ergebnis: Jede Fähigkeit besitzt (1) eine Y-Achsen-Ebene (Kundennähe), (2) eine Cluster-ID (logische Gruppierung innerhalb der Ebene), (3) Eltern-Kind-Verknüpfungen, (4) Ähnlichkeits-/Enabling-Verknüpfungen mit Begründungen.

Die angereicherten Daten werden in die Obsidian-Canvas importiert, wo die Fähigkeiten visualisiert werden. Der Autor nutzt die Gruppierungsfunktion von Obsidian zur besseren Lesbarkeit. Das NetworkX-Clustering erzeugt gelegentlich sinnvolle Gruppierungen (Beispiel: "timestamped entries, audit trails of key actions, preservation of historical data" werden zusammen gruppiert).

Navigation der Wertschöpfungskette und Bootstrap-Philosophie

Die Canvas ermöglicht die Navigation der Wertschöpfungskette: Beispiel "a leader wants prioritization" (oben auf der Map) → Absteigen durch den Stack Ebene für Ebene → Identifizieren der verschiedenen an der Priorisierung beteiligten Elemente. Eine konkrete Demonstration, wie sich ein übergeordnetes Bedürfnis in zunehmend abstraktere/infrastrukturellere Fähigkeiten zerlegt.

Zentrale Erkenntnis: Der Autor betont: "this is only the beginning, just to bootstrap it". Die KI-Ausgabe ist nicht die endgültige Map, sondern ein beschleunigter Ausgangspunkt. Die Absicht: "then spend a lot of time learning the domain in depth". KI reduziert die anfängliche Reibung des leeren Blatts und erlaubt es dem Product Manager, sofort mit Iteration und Verfeinerung auf Basis einer soliden Grundstruktur zu beginnen, anstatt Wochen manuellen Mappings zu betreiben.

Methodische Implikationen

Der Workflow zeigt eine pragmatische KI-Augmentierung: weder vollständig automatisierte Strategie (angesichts der beteiligten Nuancen und Kontexte unmöglich), noch vollständig manuell (zu langsam). Der hybride Ansatz nutzt die Stärken des LLM (Mustererkennung, logische Zerlegung, Identifikation von Beziehungen), erkennt aber an, dass menschliche Expertise für die Validierung, die Prompt-Feinabstimmung (über Begründungen) und das vertiefte Domänenlernen nach dem Bootstrap unverzichtbar bleibt. Die systematischen Begründungen erzeugen eine Feedback-Schleife, die es dem Praktiker ermöglicht, die Argumentation des LLM zu verstehen, Prompts iterativ anzupassen und die Ausgabequalität zu verbessern.

Übertragbarkeit über Wardley Mapping hinaus

Obwohl auf Wardley Maps fokussiert, sind die Techniken verallgemeinerbar: Zerlegung von Fähigkeiten, Kategorisierung nach Nähe, Identifikation von Beziehungen und Clustering-Analyse lassen sich auf andere strategische Rahmenwerke anwenden, die strukturiertes Denken über Wertschöpfungsketten, Abhängigkeiten und Abstraktionsebenen erfordern. Der Stack aus Obsidian + NetworkX + LLM-API ist besonders leistungsfähig für Wissensarbeiter, die komplexe Domänen explorieren.